1.一种基于pso和rbfnn的隧道交通照明系统智能控制方法,其特征是包括以下步骤:
(1)根据隧道的照明条件,由径向基函数神经网络rbfnn确定照明系数;
在隧道的各位置安置m个传感器来测量n盏灯对该位置的照度贡献;将灯和传感器的位置维数由三维降低为二维;
将传感器的位置和每个灯对这些传感器的照度贡献作为训练数据,建立出rbfnn模型,即:所有传感器的位置(x,y)和每个灯的序号i作为rbfnn的输入,照明系数aij作为rbfnn的输出,其中,n盏灯的序号为1,…,i,…,n;i为灯的序号;n为灯的总数;m个传感器的序号为1,…,j,…,m;j为传感器的序号,m为传感器的总数;照明系数aij为灯i对于传感器j所在位置的照度贡献比;
则每盏灯对所有传感器的照度贡献形成一个rbfnn,有n盏灯就有n个rbfnn网络;
(2)将照明系数aij输入粒子群优化算法pso中;
(3)对粒子群优化算法pso中粒子群的各个粒子的位置和速度进行初始化;
各个粒子的位置初始化为:(f1,f2,...,fn);其中,f1,f2,...,fn分别为灯1,2,…,n的亮度调节比;f1,f2,...,fn的初始化范围为[0,1];
各个粒子的速度初始化为:(v1,v2,...,vn),其中,v1,v2,...,vn分别为灯1,2,…,n的亮度调节比的变化速度,v1,v2,...,vn的初始化范围为[-0.5,0.5];
(4)根据适应度函数对每个粒子的适应度值进行计算,确定粒子的历史最优解;所述适应度函数如下所示:
式中,e1,e2,…,ej,…,em为传感器1,2,…,m接受的来自灯1,2,…,n的照度总和;
a11,…,aij,…,amn为照明系数;
f1,f2,...,fn分别为灯1,2,…,n的亮度调节比;
cost为适应度值;
m为传感器的总数,n为灯的总数,i为传感器的序号,j为灯的序号;
t为目标照度;
penalty为补偿系数;
(5)根据历史最优解的粒子迭代每个粒子的速度,具体为:
第k+1次迭代后粒子h的速度为:
(6)迭代每个粒子的位置,具体为:
第k+1次迭代后粒子h的位置为:
其中,
(7)比较每个粒子的历史最优解,更新粒子群的全局最优解;
(8)若当前迭代次数达到最大迭代次数,或者适应度误差系数α≤5%,则输出当前的最优解;否则,粒子群优化算法pso将再次从第四步开始进行迭代;
(9)输出最优解粒子,即隧道照明系统中每盏灯的最优照度配置方案。
2.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法,其特征在于,所述适应度值越小表示这个粒子越接近最优位置。
3.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法,其特征在于,所述最大迭代次数根据实验选定,算法收敛时的迭代次数通常定为最大迭代次数。
4.根据权利要求1所述的一种基于pso和rbfnn的隧道交通照明系统智能控制方法,其特征在于,所述适应度误差系数